基于Landsat 8 OLI和ALOS-2 PALSAR-2數(shù)據(jù)的北京市森林生物量估測研究
發(fā)布時間:2023-02-09 14:34
森林生物量反映了森林生態(tài)系統(tǒng)的物質(zhì)循環(huán),是衡量森林結(jié)構(gòu)和功能變化的重要指標。準確估算森林生物量是統(tǒng)計分析碳儲量的基礎(chǔ),對更好地了解碳循環(huán)、提高森林政策和管理活動效率具有重要意義。光學(xué)遙感影像有豐富的光譜和紋理特征,可以獲取森林水平結(jié)構(gòu)信息,雷達數(shù)據(jù)在獲取森林垂直信息方面具有優(yōu)勢。因此,聯(lián)合光學(xué)影像和雷達數(shù)據(jù)建立生物量估測模型,充分發(fā)揮兩種影像數(shù)據(jù)的優(yōu)勢,在提高森林生物量估測模型擬合效果及精度方面具有較大的發(fā)展?jié)摿。本文以北京市為研究區(qū),基于Landsat 8 OLI光學(xué)遙感影像和ALOS-2 PALSAR-2雷達數(shù)據(jù),結(jié)合森林資源清查數(shù)據(jù),提取兩種遙感數(shù)據(jù)的建模變量,利用K最近鄰法和隨機森林法建立不同變量集合(僅Landsat 8 OLI影像、僅ALOS-2 PALSAR-2數(shù)據(jù)、兩種影像結(jié)合)的針葉林、闊葉林、混交林的森林生物量估測模型,對比不同建模方法、不同變量組合、不同林型估測森林生物量的精度,探討最適合于北京地區(qū)的估測模型,并對北京市森林生物量分布進行統(tǒng)計分析。主要研究內(nèi)容及結(jié)果如下:(1)對提取的遙感變量分為三種變量集合進行建模,分別是Landsat 8 OLI變量、ALOS...
【文章頁數(shù)】:63 頁
【學(xué)位級別】:碩士
【文章目錄】:
摘要
ABSTRACT
1. 緒論
1.1. 研究背景
1.2. 國內(nèi)外研究現(xiàn)狀
1.2.1. 光學(xué)遙感為數(shù)據(jù)源的研究進展
1.2.2. SAR數(shù)據(jù)為數(shù)據(jù)源的研究進展
1.2.3. 結(jié)合光學(xué)遙感和雷達數(shù)據(jù)估測森林生物量的研究進展
1.3. 研究內(nèi)容和技術(shù)路線
1.3.1. 研究內(nèi)容
1.3.2. 技術(shù)路線圖
2. 研究區(qū)與數(shù)據(jù)
2.1. 研究區(qū)概況
2.1.1. 地理位置
2.1.2. 地形地貌
2.1.3. 氣候特征
2.1.4. 森林植被資源
2.2. 數(shù)據(jù)獲取
2.2.1. 森林資源清查數(shù)據(jù)
2.2.2. Landsat 8 OLI數(shù)據(jù)
2.2.3. ALOS-2 PALSAR-2 數(shù)據(jù)
2.3. 數(shù)據(jù)處理
2.3.1. 樣地數(shù)據(jù)
2.3.2. Landsat 8 OLI影像
2.3.3. ALOS-2 PALSAR-2 數(shù)據(jù)
2.4. 本章小結(jié)
3. 遙感影像信息因子的提取
3.1. Landsat 8 OLI影像因子提取
3.1.1. 原始波段
3.1.2. 植被指數(shù)
3.1.3. 波段變換
3.1.4. 紋理信息
3.2. ALOS-2 PALSAR-2 影像參數(shù)提取
3.2.1. SAR后向散射系數(shù)
3.2.2. 紋理特征提取
3.3. 本章小結(jié)
4. 森林生物量遙感估測模型的建立
4.1. 建模因子篩選
4.1.1. 遙感因子的相關(guān)性分析
4.1.2. 基于隨機森林的特征變量選擇
4.2. 基于K最近鄰算法(KNN)的生物量估測模型
4.2.1. K最近鄰算法原理
4.2.2. K值的選擇
4.2.3. 森林生物量估測模型建立及結(jié)果分析
4.3. 基于隨機森林的生物量估測模型
4.3.1. 隨機森林算法概述
4.3.2. 森林生物量估測模型結(jié)果分析
4.4. 兩種算法建模精度對比
4.5. 本章小結(jié)
5. 北京市森林生物量空間分布
5.1. 北京市生物量的空間分布特征
5.1.1. 森林生物量隨海拔的分布特征
5.1.2. 北京市各區(qū)森林生物量的分布特征
5.2. 本章小結(jié)
6. 結(jié)論與展望
6.1. 結(jié)論
6.2. 創(chuàng)新點
6.3. 展望
參考文獻
個人簡介
導(dǎo)師簡介
獲得成果目錄
致謝
本文編號:3738898
【文章頁數(shù)】:63 頁
【學(xué)位級別】:碩士
【文章目錄】:
摘要
ABSTRACT
1. 緒論
1.1. 研究背景
1.2. 國內(nèi)外研究現(xiàn)狀
1.2.1. 光學(xué)遙感為數(shù)據(jù)源的研究進展
1.2.2. SAR數(shù)據(jù)為數(shù)據(jù)源的研究進展
1.2.3. 結(jié)合光學(xué)遙感和雷達數(shù)據(jù)估測森林生物量的研究進展
1.3. 研究內(nèi)容和技術(shù)路線
1.3.1. 研究內(nèi)容
1.3.2. 技術(shù)路線圖
2. 研究區(qū)與數(shù)據(jù)
2.1. 研究區(qū)概況
2.1.1. 地理位置
2.1.2. 地形地貌
2.1.3. 氣候特征
2.1.4. 森林植被資源
2.2. 數(shù)據(jù)獲取
2.2.1. 森林資源清查數(shù)據(jù)
2.2.2. Landsat 8 OLI數(shù)據(jù)
2.2.3. ALOS-2 PALSAR-2 數(shù)據(jù)
2.3. 數(shù)據(jù)處理
2.3.1. 樣地數(shù)據(jù)
2.3.2. Landsat 8 OLI影像
2.3.3. ALOS-2 PALSAR-2 數(shù)據(jù)
2.4. 本章小結(jié)
3. 遙感影像信息因子的提取
3.1. Landsat 8 OLI影像因子提取
3.1.1. 原始波段
3.1.2. 植被指數(shù)
3.1.3. 波段變換
3.1.4. 紋理信息
3.2. ALOS-2 PALSAR-2 影像參數(shù)提取
3.2.1. SAR后向散射系數(shù)
3.2.2. 紋理特征提取
3.3. 本章小結(jié)
4. 森林生物量遙感估測模型的建立
4.1. 建模因子篩選
4.1.1. 遙感因子的相關(guān)性分析
4.1.2. 基于隨機森林的特征變量選擇
4.2. 基于K最近鄰算法(KNN)的生物量估測模型
4.2.1. K最近鄰算法原理
4.2.2. K值的選擇
4.2.3. 森林生物量估測模型建立及結(jié)果分析
4.3. 基于隨機森林的生物量估測模型
4.3.1. 隨機森林算法概述
4.3.2. 森林生物量估測模型結(jié)果分析
4.4. 兩種算法建模精度對比
4.5. 本章小結(jié)
5. 北京市森林生物量空間分布
5.1. 北京市生物量的空間分布特征
5.1.1. 森林生物量隨海拔的分布特征
5.1.2. 北京市各區(qū)森林生物量的分布特征
5.2. 本章小結(jié)
6. 結(jié)論與展望
6.1. 結(jié)論
6.2. 創(chuàng)新點
6.3. 展望
參考文獻
個人簡介
導(dǎo)師簡介
獲得成果目錄
致謝
本文編號:3738898
本文鏈接:http://sikaile.net/nykjlw/lylw/3738898.html
最近更新
教材專著